1. 人工智能入门

01 何为机器学习

02 人工智能与机器学习关系

03 人工智能应用与价值

04 有监督机器学习训练流程

05 有监督机器学习训练流程

06Python机器学习库Scikit-Learn介绍

07 理解线性与回归

2. 线性回归和代码实现

01 机器学习是什么(new)

02 怎么做线性回归(new)

03理解回归最大似然函数(new)

04应用正太分布概率密度函数对数总似然(new)

05推导出损失函数推导出解析解(new)

06代码实现解析解的方式求解梯度下降法的开始

3. 梯度下降和过拟合和归一化

01 梯度下降法思路导函数有什么用

02 推导线性回归损失函数导函数以及代码实现批量梯度下降

03 随机梯度下降及代码实现mini-batchGD调整学习率

04 梯度下降做归一化的必要性

05 最大值最小值归一化sklearn官网介绍防止过拟合W越少越小

06 过拟合的总结

07 岭回归以及代码调用

4. 逻辑回归详解和应用

01 LassoElasticNetPolynomialFeatures

02 多项式回归代码保险案例数据说明

03 相关系数逻辑回归介绍

04 逻辑回归的损失函数交叉熵逻辑回归对比多元线性回归

05 逻辑回归sklearn处理鸢尾花数据集

06 逻辑回归多分类转成多个二分类详解

5. 分类器项目案例和神经网络算法

01 理解维度音乐分类器数据介绍

02 傅里叶变化原理傅里叶代码应用傅里叶优缺点

03 逻辑回归训练音乐分类器代码测试代码

04 人工神经网络开始

05 神经网络隐藏层的必要性

06 神经网络案例sklearnconcrete

6. 多分类、决策树、随机森林分类

01机器学习有监督无监督

02 逻辑回归多分类图示理解逻辑回归和Softmax区别

03Softmax图示详解梯度下降法整体调参

04 评估指标K折交叉验证

05 决策树介绍

06 随机森林优缺点对比逻辑回归剪枝

07 决策树随机森林sklearn代码调用

7. 分类评估、聚类

01机器学习有监督无监督

02逻辑回归多分类图示理解逻辑回归和Softmax区别

03Softmax图示详解梯度下降法整体调参

04评估指标K折交叉验证

04 决策树介绍

05 随机森林优缺点对比逻辑回归剪枝

06 决策树随机森林sklearn代码调用

8. 密度聚类、谱聚类

01 聚类的评估metrics代码

02 密度聚类代码实现

03 谱聚类

9. 深度学习TensorFlow安装和实现线性回归

01pip安装源设置

02TensorFlow介绍与安装

03TensorFlow CUDA GPU安装说明TF使用介绍

04TensorFlow代码初始解析解多元线性回归实现

05tensorflow来代码实现线性回归梯度下降优化

10. TensorFlow深入

01 placeholder代码详解TF构建Softmax回归计算图

02 TF对Softmax回归训练评估代码实现

03 TF的模型持久化重新加载

04 模块化

11. DNN深度神经网络手写图片识别

01 深度学习DNN是什么

02 TF训练2层DNN来进行手写数字识别

12. TensorBoard可视化

01 TensorBoard代码

02 TensorBoard启动以及页面

13. 卷积神经网络-CNN识别图片

01 卷积1个通道的计算垂直水平fiter图片

02 图释对比原始图片和卷积FeatureMap

03 三通道卷积池化层的意思

04 CNN架构图LeNet5架构

04 决策树介绍05TF使用CNN来做Cifar10数据集分类任务

14. 卷积神经网络深入-AlexNet模型实现

01解决梯度消失的三个思路

02反向传播计算W对应的梯度

03AlexNet五层卷积benchmark代码实现

15. Keras深度学习框架

01Keras开篇

02Keras构建模型Keras使用MNIST数据集训练CNN

03Keras调用VGG16来训练

04深度学习更种优化算法